---
id: UAT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [math, neural-networks, deep-learning, calculus, theory-of-computation]
last_reinforced: 2026-04-26
---

# Universal Approximation Theorem (보편적 근사 정리)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "신경망은 충분한 뉴런만 있다면 우주의 그 어떤 복잡한 함수도 흉내 낼 수 있다" — 단 하나의 은닉층과 적절한 활성화 함수만 있어도 연속 함수를 원하는 정밀도로 근사할 수 있다는 딥러닝의 수학적 존재 증명.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 비선형 활성화 함수를 가진 뉴런들의 조합이 임의의 복잡한 수학적 관계를 표현할 수 있는 범용 계산 도구(Universal Function Approximator)임을 규명한 이론적 패턴.
- **핵심 내용:**
    - **Cybenko (1989) / Hornik (1991):** 시그모이드와 같은 활성화 함수를 사용한 2층 신경망이 가진 표현력을 증명.
    - **Width vs Depth:** 이론적으로는 층 하나만 넓게(Width) 구성해도 가능하지만, 실제로는 깊게(Depth) 쌓는 것이 훨씬 효율적으로 함수를 학습함이 나중에 밝혀짐.
    - **Existence Proof:** 이 정리는 신경망이 함수를 '표현'할 수 있다는 가능성을 증명한 것이지, 어떻게 효율적으로 '학습'할지는 말해주지 않음.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 신경망의 한계를 지적했던 초기 비판자들을 잠재우고, 딥러닝이 단순한 유행이 아닌 강력한 수학적 기반을 가진 기술임을 확립.
- **정책 변화:** Antigravity 프로젝트는 보편적 근사 정리를 신뢰하여, 복잡한 비즈니스 로직이나 물리 법칙도 충분한 규모의 신경망을 통해 모델링할 수 있다는 대전제 하에 연구를 진행함.

## 🔗 지식 연결 (Graph)
- Neural-Networks-Foundations, [[Deep-Learning]], Calculus-for-ML, Artificial-Neural-Networks
- **Raw Source:** 10_Wiki/Topics/AI/Universal-Approximation-Theorem.md